AnonyNoise：用于混淆事件数据中的智能噪声以抗徒_identification 并保护隐私
计算机视觉与模式识别
2024-11-26 v1
摘要
深度神经网络的重识别能力日益提升，结合近年来公共监控的增长，对个人隐私构成了实质性威胁。事件相机最初被视为一种有前景的解决方案，因为其稀疏输出难以被人类解读。然而，近期的深度学习进展表明，神经网络能够从事件相机数据中重建高质量灰度图像并进行人物重识别。在本文中，我们对数据隐私进行了关键的伦理讨论，并提出了首个防止人类和神经网络都能进行重识别的事件数据匿名化管道。我们的方法有效地引入可学习的数据依赖噪声，以遮蔽原始事件数据中的可识别个人信息，使攻击者的重识别能力降低最高可达60%，同时保持下游任务所需的大量信息。此外，我们的匿名化方法在未见数据上具有良好的泛化性，并对图像重建和逆转攻击具有鲁棒性。代码：https://github.com/dfki-av/AnonyNoise
引用
@article{arxiv.2411.16440,
title = {AnonyNoise: Anonymizing Event Data with Smart Noise to Outsmart Re-Identification and Preserve Privacy},
author = {Katharina Bendig and René Schuster and Nicole Thiemer and Karen Joisten and Didier Stricker},
journal= {arXiv preprint arXiv:2411.16440},
year = {2024}
}
备注
Accepted at WACV25